Page 87 - 《软件学报》2026年第5期

1966 软件学报 2026 年第 37 卷第 5 期

质信息整合在一起, 形成了一个复杂的企业-专利交互图. 如何有效地捕捉企业与专利的高阶特征, 进而从中学习
和提取异质图中的有用信息, 是一个巨大的挑战. 多模态信息的存在使得对特征的提取和关系的捕捉变得更加复
杂, 而异质图的结构则增加了对企业与专利关系进行建模的难度. 因此, 设计一个能够充分利用多模态信息并有效
解析异质图结构的推荐算法, 是解决这一挑战的关键.

专利 id 申请时间 名称
发明人
关键词

专利 id
专利附图
简介
行业
权利人
企业 id 地区
类型
专利 id

主营业务 名称
图 1 企业-专利交互的异质信息图

为解决上述问题, 本文提出了一种基于多模态异质图网络的专利推荐 (multimodal heterogeneous graph
network for patent recommendation, MHGN) 模型. 在 MHGN 模型中, 首先对企业和专利的多模态信息进行初始特
征编码. 具体来说, 企业的信息包括企业介绍、经营范围、所属行业等, 这些信息能够反映企业的潜在技术需求.
通过预训练语言模型对企业信息进行显式建模, 生成企业的表征向量. 与此同时, 专利的文本信息由标题、摘要、
关键词、权利要求书等组成, 而专利的图像则包括流程图和设计图等. 同样采用预训练模型对这些多模态专利信

息进行表征, 得到初始化的文本和图像表征. 为了进一步编码企业与专利的多模态信息, MHGN 分别在不同模态
下构建了企业-专利交互图, 将企业和专利分别作为节点, 节点之间的边表示专利转让给企业的关系. 接着, 本文设
计了一个多模态特征编码模块, 利用图注意力网络 (graph attention network, GAT) 来融合企业和专利之间的多模
态交互信息, 得到企业的多模态偏好表征, 这种偏好捕捉了企业对专利的潜在需求程度. 在此基础上, 本文进一步
构建了一个偏好权重学习的图卷积模块, 基于偏好表征的相似度学习企业-专利交互的关系权重, 然后通过图卷积
网络 (graph convolutional network, GCN) 学习企业和专利的节点偏好表征. 随后, 将学习的节点偏好表征与企业和
专利的多模态特征进行拼接, 通过引入适配向量和注意力机制进一步对多模态特征进行融合与加权. 最终通过计

算企业和专利的相似度来预测企业是否对某一专利有需求.
本文的主要贡献如下.
(1) 提出了一种基于多模态异质图网络的专利推荐 (MHGN) 方法. 这是结合多模态特征进行专利转让推荐的
应用, 是将异质图神经网络应用到多模态专利推荐的一个新方向.
(2) 为了缓解现有方法中多模态数据带来的噪声问题, 引入了适配向量以增强和融合多模态特征, 有效地减少
了不相关特征对模型性能的影响. 此外, 采用注意力机制, 使模型能够关注更加重要的特征, 从而提升推荐精度.
(3) 提取并处理了 4 个全新的、真实的专利转让数据集, 并在这些数据集上全面验证本文提出的 MHGN 方
法. 实验结果表明, MHGN 在所有数据集上均显著优于现有最新方法, 进一步证明了本文方法在专利转让推荐任
务中的有效性和优越性.
本文第 1 节介绍相关工作, 包括专利推荐、基于图的多模态推荐. 第 2 节介绍本文构建的基于多模态异质图